Diploma Universitario en Analítica avanzada en balonmano: Tarea Colaborativa 1

Valery Zúñiga Kondrashov

2021-01-26

Nota: el código completo que genera este archivo html se puede encontrar aquí.

Pregunta A:

¿Aparece en la estadística el número de posesiones del Egipto - Chile?

Sí aparece en el archivo 01FTR.pdf. Para cada equipo aparece ‘Number of Attacks:’

Vemos sin embargo, que estos números están incorrectos pues la máxima diferencia de posesiones en un partido es de 1.

Pregunta B:

En caso de no aparecer el número de posesiones, ¿es posible calcularlas mediante rechaces ofensivos presentes en tabla o en listado de “jugada a jugada”?

Ya que no puede haber diferencia en posesiones de ambos equipos en más de una, el dato en el archivo FRT está incorrecto.

En el listado de “jugada a jugada” sí podemos calcular el número de posesiones.

Se descargaron todos los archivos pdf de la página del partido con la función scrape_from_ihf creada en R. Se pueden ver los detalles de esta función acá.

egipto21::scrape_from_ihf(enlace = 'https://www.ihf.info/competitions/men/308/27th-ihf-men039s-world-championship-2021/22415/match-center/22525',
                          carpeta = 'scraping')

Para contar el número de posesiones, he generado una función generar_pbp_tidy de la que se pueden ver detalles acá: que toma el archivo en pdf que hemos descargado y convierte la tabla de jugadas a un formato ‘tidy’. De esta forma, podremos trabajar nuestros datos de manera más sencilla.

Al revisar más a fondo este partido, nos damos cuenta de un error importante (hay otros menores) en el pdf, donde hizo falta una posesión chilena, en este caso la posesión número 100. Esta fue corregida manualmente, actualizando así el archivo .csv de este partido.

Veamos la cantidad de posesiones totales y la cantidad de posesiones por equipo

library(magrittr)
options(digits = 3)
data <- data.table::fread('partido1_corregido.csv')

message('Cantidad total de posesiones: ', data[, data.table::uniqueN(numero_posesion)])

## Cantidad total de posesiones: 112

tabla <- data[, .(`Cantidad de posesiones` = data.table::uniqueN(numero_posesion)), 
     by = .(Equipo = posesion)]

Equipo	Cantidad de posesiones
EGY	56
CHI	56

Analicemos más de cerca aquellas posesiones donde hay más de un tiro:

posesiones_multi_lanzamiento <- 
  data[, .(cantidad_de_lanzamientos = sum(!is.na(gol_numero), !is.na(tiro_numero)))
       ,by =  numero_posesion
  ][cantidad_de_lanzamientos > 1]$numero_posesion


mas_de_un_tiro <- data[numero_posesion %in% posesiones_multi_lanzamiento,
     .(tiempo, accion, posesion, numero_posesion)]

tiempo	accion	posesion	numero_posesion
9:21	SALINAS E Shot centre 6m post	CHI	18
9:26	SALINAS E Goal centre 6m bottom left	CHI	18
9:35	ELWAKIL O 7m received	EGY	19
9:35	SANAD M Penalty shot saved middle left	EGY	19
9:35	AYALA D 7m caused	EGY	19
9:35	AYALA D 2-minutes suspension	EGY	19
10:17	ELWAKIL O Goal left wing top right (39 ELDERAA Y)	EGY	19
10:36	SALINAS Efor 1 BARRIENTOS F Empty goal	EGY	19
40:32:00	FEUCHTMANN H Shot left wing saved bottom centre	CHI	73
40:34:00	OMAR Y 2-minutes suspension	CHI	73
40:36:00	Team timeout	CHI	73
40:46:00	FEUCHTMANN E Goal breakthrough bottom centre	CHI	73
40:55:00	MAMDOUH Mfor 96 ELTAYAR M Empty goal	CHI	73
42:38:00	AYALA D Shot right wing saved middle right	CHI	77
43:30:00	AYALA D Shot right wing saved top centre	CHI	77
44:44:00	MOAMEN A Shot centre 6m saved bottom left	EGY	80
45:11:00	KADDAH H Shot centre 9m saved bottom right	EGY	80

Es interesante ver que solamente en la posesiones 77 y 80, se desaprovecharon las segundas oportunidades que se tuvieron para anotar.

Pregunta C:

¿Qué formatos de estadística están disponibles? (pdf, html, csv…)

En este caso podemos ver estadísticas generales del partido, en formato xlm.

Además, observamos 4 archivos en pdf:

FTR: Tiene las estadísticas de cada jugador, su tiempo de juego, posiciones de lanzamientos y salvadas del portero. Además tiene un resumen de los lanzamientos por equipo.
MTR: Contiene información de lanzamientos y la línea de tiempo de las anotaciones.
OMR: Es la planilla llena al finalizar el del partido.
PBP: Información jugada por jugada.

Pregunta D:

¿Cuál consideras que fue o fueron la(s) clave(s) estadística(s) del partido? Enumera y argumenta tu perspectiva

Observemos algunas estadísticas del partido:

posesiones_con_lanzamiento <-
  data[, posesion_con_lanzamiento := any(posicion_marco != ''), numero_posesion
  ][,.N, .(posesion_con_lanzamiento, numero_posesion, posesion)
  ][, .(`Posesiones con lanzamiento` = sum(posesion_con_lanzamiento)),
                                    .(Equipo = posesion)] 

resumen <- data[, .(Posesiones = data.table::uniqueN(numero_posesion),
         Goles = sum(gol, na.rm = TRUE),
         `Pérdidas de balón` = sum(!is.na(turnover)),
         `Faltas técnicas` = sum(stringr::str_detect(accion, 'Technical'))),
         .(Equipo = posesion)] %>% 
  data.table::merge.data.table(posesiones_con_lanzamiento, all.x = TRUE,
                               by = 'Equipo')

efectividad <- data.table::copy(resumen)

efectividad <- 
  efectividad[, `Efectividad Tiros por Posesion` := scales::percent(`Posesiones con lanzamiento`/`Posesiones`)
  ][, `Efectividad Goles por Posesion` := scales::percent(`Goles`/`Posesiones`)
  ][, `Efectividad Lanzamientos` := scales::percent(Goles/`Posesiones con lanzamiento`)
  ][,.(Equipo,  `Efectividad Tiros por Posesion`,
       `Efectividad Goles por Posesion`, `Efectividad Lanzamientos`)] %>% 
  data.table::transpose(make.names = 'Equipo', keep.names = 'Estadística')

resumen <- data.table::transpose(resumen, make.names = 'Equipo',
                                 keep.names = 'Estadística')

resumen[, diferencia := CHI - EGY]

Estadística	CHI	EGY	diferencia
Posesiones	56	56	0
Goles	29	35	-6
Pérdidas de balón	12	5	7
Faltas técnicas	6	6	0
Posesiones con lanzamiento	39	46	-7

Estadística	CHI	EGY
Efectividad Tiros por Posesion	70%	82%
Efectividad Goles por Posesion	52%	62%
Efectividad Lanzamientos	74.4%	76.1%

Podemos ver que Chile hizo lanzamientos en 7 posesiones menos que Egipto. Podríamos pensar que se debe a la diferencia de pérdidas de balón únicamente, pero analicemos esto más a detalle.

Verifiquemos las posesiones donde se perdió balón o se hizo falta técnica, para observar si en esa misma posesión también se hizo algun tiro antes.

posesiones_con_perdida_y_tiro <- 
  data[numero_posesion %in% 
         data[stringr::str_detect(accion, 'Technical') | 
                !is.na(turnover)]$numero_posesion & posicion_marco != '', 
       .(tiempo, accion, posesion, numero_posesion)]

tiempo	accion	posesion	numero_posesion
36:03:00	SALINAS R Shot right 9m saved middle left	CHI	65
38:12:00	OMAR Y Shot breakthrough saved bottom left	EGY	68

Podemos observar que cada equipo hizo un lanzamiento y luego perdió el balón sin lograr anotar.

Es decir, de haber dejado de perder el balón (o hecho falta técnica) 6 veces durante el partido y convertido eso en lanzamientos, Chile pudo haber estado más cerca del marcador.

Si bien las pérdidas de balón tuvieron gran importancia, es apresurado concluir que la diferencia de 6 goles se debe únicamente a eso. Supongamos una probabilidad de conversión de lanzamiento uniforme durante el partido, es decir, para Chile un 74.4%: de esta forma en 6 tiros adicionales esperaríamos 4.5 goles adicionales.

\(~\)

Calculemos ahora los goles esperados, lo que nos dará una idea de la calidad de lanzamientos que tuvo cada equipo. Para esto, podríamos tomar un marco de referencia externo con muchos más tiros, por ejemplo un análisis de 75,000 tiros de la Bundesliga. Estos goles esperados están mucho más detallados de aquellos que podemos tomar de los play by play de este mundial. En este enlace se puede ver la tabla con goles esperados por tipo de tiro.

Tomemos todos los partidos de la fase de grupos como nuestra referencia. Si bien no es una gran cantidad de datos, es suficiente para el análisis y la creación de este modelo discreto (que con más datos, por ejemplo espaciales del punto exacto del lanzamiento o velocidad del jugador, se podría trabajar con un modelo más continuo, comparando con los que encontramos actualmente para balonmano).

Cargamos todos los partidos de la fase de grupos para analizar los tiros. Este archivo fue generado con todos los play by play de la fase de grupos gracias a la función generar_pbp_tidy mencionada anteriormente. Acá simplemente descargamos ese archivo y tomamos a los equipos que nos interesan.

partidos <- 
  data.table::fread('https://raw.githubusercontent.com/telaroz/egipto21/main/partidos_fase1.csv')

equipos_analisis <- partidos[id_partido %in% c(1, 17, 18, 33, 34)]

contrincantes <- split(equipos_analisis, equipos_analisis$id_partido) %>% 
  purrr::map(~unique(.$equipo))

dt <- contrincantes %>% t() %>% data.table::as.data.table()

equipos_analisis <- split(equipos_analisis, equipos_analisis$id_partido) %>% 
  purrr::map2(contrincantes, ~ .x[,contrincante := setdiff(.y, equipo), 1:nrow(.x)]) %>% 
  data.table::rbindlist()

Ahora generamos la tabla de goles esperados por posición de tiro, que simplemente es la división entre la cantidad de goles anotados entre el total de tiros hecho por cada posición.

partidos <- partidos[,.(gol, posicion_tiro)]
partidos[is.na(gol), gol := 0]
tiros <- partidos[posicion_tiro != '']

esperados <- tiros[, .(xg = sum(gol)/.N, cantidad_tiros = .N), posicion_tiro][order(-xg)]

posicion_tiro	xg	cantidad_tiros
fast break	0.767	459
Penalty	0.763	338
empty goal	0.759	87
breakthrough	0.758	524
left 6m	0.722	176
right 6m	0.722	158
centre 6m	0.705	525
right wing	0.641	298
left wing	0.640	289
right 9m	0.412	284
left 9m	0.384	250
centre 9m	0.381	756

Ahora, para cada tiro, agregamos su xg.

data[esperados, xg := i.xg, on = 'posicion_tiro']
data[is.na(gol), gol := 0]

En este punto no basta sumar los goles esperados por tiro para determinar los goles esperados totales, pues esta métrica se debe hacer por posesión. De lo contrario, podríamos estar contando más de un gol por posesión. Por esto, en posesiones con múltiples tiros, calculamos los goles esperados de esa posesión como el opuesto de la probabilidad de fallar todos los tiros. Se puede resumir en una formula así: \(xG_{posesion} = 1 - \prod_1^n(1-(xG_{tiro})_n)\)

pos <- data[!is.na(xg), 
            .(xg, posesion, numero_posesion, posicion_tiro, gol, equipo)]

pos[, cantidad_tiros := .N, numero_posesion]


pos[, xg_ajustado := 1 - prod(1-xg), numero_posesion]
pos[, gol_en_posesion := any(gol), numero_posesion]

xg_final <- pos[, head(.SD, 1), numero_posesion]
xg_final <- xg_final[, .(`Goles Esperados` = sum(xg_ajustado)), equipo
                   ][, Goles := data[,sum(gol), equipo]$V1
                   ][, Diferencia := Goles - `Goles Esperados`]

equipo	Goles Esperados	Goles	Diferencia
EGY	29.9	35	5.15
CHI	26.6	29	2.43

Podemos observar que bajo el marco de referencia de un equipo de fase de grupos del mundial, Egipto anotó 5 goles más de lo esperado y Chile poco más de 2 goles adicionales. Comparando 5.15 y 2.43, podríamos señalar que Egipto fue 2 a 3 goles más efectivo en sus tiros que Chile.

Analicemos los goles esperados y anotados de los 3 partidos de cada equipo en la fase de grupos:

equipos_analisis[esperados, xg := i.xg, on = 'posicion_tiro']
equipos_analisis[is.na(gol), gol := 0]

goles_eq <- equipos_analisis[, .(Goles = sum(gol)), .(equipo, id_partido)]

pos_eq <- equipos_analisis[!is.na(xg), 
                           .(id_partido, xg, posesion, numero_posesion,
                             posicion_tiro, gol, equipo)]

pos_eq[, cantidad_tiros := .N, .(numero_posesion, id_partido)]


pos_eq[, xg_ajustado := 1 - prod(1-xg), .(numero_posesion, id_partido)]
pos_eq[, gol_en_posesion := any(gol), .(numero_posesion, id_partido)]

xg_final_eq <- pos_eq[, head(.SD, 1), .(numero_posesion, id_partido)]
xg_final_eq <- xg_final_eq[, .(`Goles Esperados` = sum(xg_ajustado)), .(equipo, id_partido)]

xg_final_eq[goles_eq, Goles := i.Goles, on = c('equipo', 'id_partido')
          ][, Diferencia := Goles - `Goles Esperados`]

xg_final_eq[equipos_analisis, Contrincante := i.contrincante, on = c('id_partido', 'equipo')]
xg_final_eq <- xg_final_eq[equipo %in% c('EGY', 'CHI')]

library(ggplot2)
plot <- ggplot(data = xg_final_eq) +
  geom_point(aes(x = `Goles Esperados`, y = Goles, 
                 color = equipo, label = Contrincante), size = 3) + 
  geom_abline() +
  theme_minimal() +
  xlim(0, 40) +
  ylim(0, 40) +
  scale_colour_manual(values = c('#cc1f12', '#0f0b0b'))

plotly::ggplotly(plot)

En este gráfico podemos observar que en los 3 partidos, Egipto está por encima de la línea de goles esperados. Sin embargo, Chile solamente está en esta situación justamente el partido con Egipto. Aunque la muestra es pequeña, podemos pensar que Chile fue particularmente efectivo en este partido contra Egipto. (Este gráfico es interactivo si vemos este archivo en formato html, por lo que se puede observar en cada punto de qué partido se trata y su información de goles anotados y esperados).

Analicemos la efectividad de Chile por posición (en general tiros, no posesiones):

data <- data[,.(gol, posicion_tiro)]
data[is.na(gol), gol := 0]
tiros <- data[posicion_tiro != '']

esperados_chile <- tiros[, .(xg = sum(gol)/.N, cantidad_tiros = .N), posicion_tiro
                       ][order(-xg)]

posicion_tiro	xg	cantidad_tiros
right 6m	1.000	4
empty goal	1.000	4
breakthrough	0.929	14
centre 6m	0.833	12
fast break	0.833	12
left 6m	0.750	4
right wing	0.667	9
Penalty	0.600	5
left wing	0.571	7
right 9m	0.500	6
centre 9m	0.333	12
left 9m	0.000	1

Sin duda un partido no es una muestra suficiente, pero en este partido los lanzamientos por el centro de 9m fueron altamente utilizados y poco efectivos. Sin embargo, algunos tiros de estos fueron condicionados por la amenaza del pasivo.

Analicemos también la dependecia de ciertos jugadores en cada equipo. Para esto podemos obtener del archivo ya descargado ‘01FRT.PDF’ la distribución de minutos por jugador durante este partido. Cargamos los datos, extraemos las tablas y limpiamos el tiempo para que nos lo de en minutos enteros.

library(magrittr)

tables <- tabulizer::extract_tables('scraping/01FTR.PDF', method = 'stream')

equipos <- purrr::keep(tables, ~ ncol(.x) == 17) %>%
  purrr::map(data.table::as.data.table) %>% 
  purrr::map(~.x[stringr::str_detect(V1, '\\d+'),.(numero = V1, jugador = V2, Tiempo_jugado = V17)])

equipos[[1]][, Equipo := 'EGY']
equipos[[2]][, Equipo := 'CHI']


equipos <- data.table::rbindlist(equipos)

equipos[, `Tiempo jugado` := round(as.numeric(lubridate::ms(Tiempo_jugado))/60)]
equipos[, Jugador := paste(numero, '', jugador)]

equipos_limpio <- equipos[!is.na(`Tiempo jugado`)]

Ahora, visualicemos cómo se distribuyen los minutos por jugador (reconocimiento completo a la idea de este gráfico a Edu Agulló).

library(ggplot2)
library(ggbeeswarm)


plot <- ggplot(equipos_limpio, aes(x = Equipo,
                                   y = `Tiempo jugado`, 
                                   col = Equipo, 
                                   label = Jugador)) +
  geom_violin(adjust = 0.75) +
  geom_beeswarm(size = 1) +
  theme_minimal() +
  scale_colour_manual(values = c('#cc1f12', '#0f0b0b'))


ggply <- plotly::ggplotly(plot, tooltip = c('x', 'label', 'y'))

ggply$x$data[[1]]$hoverinfo <- "none"
ggply$x$data[[2]]$hoverinfo <- "none"

ggply

Podemos ver que 5 jugadores chilenos tuvieron una carga mayor a los 40 minutos contra únicamente 3 jugadores de Egipto. Egipto distribuye más hacia el centro los minutos de cada uno de sus jugadores: pocos jugadores jugaron muy poco y pocos jugadores jugaron mucho.

Como conclusión podríamos decir que si bien las pérdidas de balón chilenas tuvieron una influencia muy importante en el marcador final, Egipto fue más efectivo en las ocasiones que tuvo, administrando mejor sus jugadores durante el partido.